一种基于DHNN神经网络的船舶电网故障诊断方法

一种基于dhnn神经网络的船舶电网故障诊断方法
技术领域
1.本发明涉及船舶电网领域，特别涉及一种基于dhnn神经网络的船舶电网故障诊断方法。


背景技术：

2.dhnn即：discrete hopfield neural networks(离散型hopfiled神经网络)的缩写。dhnn与其他神经网络相比，其特点是具备强大的动力学性能、网络结构简单，是一种单层反馈型的网络。这种网络舍弃了原来神经元网络拓扑结构的分层设计，大胆引入了能量函数的运行衰减机制，将动力学与神经元网络联系在了一起，为神经元网络的稳定运行提供了依据。简单来说hopfield神经元网络就是一种在传统神经元网络基础上具有联想记忆的神经网络。离散型hopfield神经元网络选取的传递函数是阈值函数，正好适用于继电器及开关的表示方式，即采用0和1来表示这两种电路状态。
3.船舶在航行过程中的电力系统是不被允许出现重大的电力故障，如果险情一旦发生，应及时发现并处理故障，而快速修复故障的前提是明确故障种类、故障位置和原因，通过船上工作人员的经验来观察故障情况然后分析故障的原因进而修复故障的过程需要花费一定的时间，而且在不清楚故障的详细情况下，在维修更换设备时还会造成资源的浪费，针对这一问题，本技术提出了一种解决方案。


技术实现要素：

4.发明目的：本发明的目的是提供一种基于dhnn神经网络的船舶电网故障诊断方法，通过将船舶电网故障诊断与人工神经元结合，快速明确船舶电网的故障，进而提高检修效率。
5.技术方案：本发明所述的一种基于dhnn神经网络的船舶电网故障诊断方法，具体包括以下步骤：
6.步骤1：将船舶电网故障分为三类：常规故障、保护装置拒动故障和组合故障；
7.步骤2：对船舶电网中的开关及继电保护器进行编码，分别归纳出船舶电网在发生三类故障时，各自的继电器及开关的状态特征；
8.步骤3：依托船舶智能集成平台的dcs部件，构建船舶电网的故障诊断系统，故障诊断系统主要由数据采集单元rtu、分布式计算单元cdu和人机图形交互界面hiu这三个部分组成；
9.步骤4：构建dhnn网络，具体的：
10.步骤4.1：初始化网络参数，参数包括神经元数目、激活函数、权值矩阵和输出状态；
11.步骤4.2：随机选择网络中的一个神经元i；由于dhnn网络是一个单层具有反馈的一个神经网络，每个神经元的输出都会通过连接权与非自身的神经元相连接，即输出xi与连接权相乘以后作用到第j个神经元上，i≠j，每个神经元从其他神经元处接收到输入后，
再经激活函数处理后输出，用θi表示其阈值函数，dhnn网络选择相同的激活函数，表达式如下：
[0012][0013]
其中f1、f2、......fn为状态激活函数，sgn(x)为符号函数，输出小于0时f(x)＝0；
[0014]
利用dhnn网络中每个神经元的输出都会受到其他神经元的制约，并且各个神经元之间的相互影响连接的性质，使得神经网络具备记忆和联想信息的能力；
[0015]
步骤4.3：将其他神经元的输入求和后，再经激活函数处理作为神经元的输出，同时保持其他神经元状态不变；
[0016]
步骤4.4：根据稳定条件判断此时的网络是否达到了平衡状态，如果达到了稳定条件则将网络此时的状态输出，否则进行下一个神经元(i+1)状态更新，直到稳定状态为止；
[0017]
步骤5：将船舶电网发生三类故障时各自的继电器及开关的状态特征输入dhnn网络进行记忆；
[0018]
步骤6：将需要判断的故障的测试数据输入dhnn网络进行诊断，对该故障类型进行判断。
[0019]
作为优选，所述步骤3中数据采集单元rtu通过继电器的开/关动作直接将信号传递给32路数字量采集模块，所述32路数字量采集模块通过现场总线rs485/can将信号传输给分布式计算单元中的中央控制台和中央诊断单元。
[0020]
作为优选，所述中央诊断单元将数据采集单元rtu发送过来的电网状态信息传送至数据处理软件进行处理，所述数据处理软件在既定的算法dhnn原程序下分析原始数据，并接受返回结果，根据分析结果对照原始电网进行故障的诊断和排查。
[0021]
作为优选，所述步骤3人机图形交互界面hiu为整个故障诊断系统设置参数并进行初始化启动，并且对后续操作中的情景进行设定，保证整个故障诊断系统的操作友好性。
[0022]
作为优选，所述步骤4中构建的dhnn网络采用异步工作方式。
[0023]
有益效果：本技术结合dhnn神经网络，适用于诊断多种船舶电网故障，快速分析与定位，保证寻找故障的效率和安全，提高检修人员检修的效率。
附图说明
[0024]
图1是本技术中船舶电网运行拓扑图；
[0025]
图2是本技术中dhnn网络模型图；
[0026]
图3是本技术中拒动故障分析图；
[0027]
图4是本技术中船舶故障诊断流程图。
具体实施方式
[0028]
下面结合具体实施例对本技术做进一步阐述。
[0029]
如图1所示，所给船舶电网有四台发电机g1、g2、g3、g4，四个变压器t1、t2、t3、t4，六条负载线路：负载线路1、负载线路2、负载线路3、负载线路4、负载线路7、负载线路8，两条主线路线路5、线路6，四个主开关s1、s2、s3、s4，四个联络开关s12、s13、s14、s15，两个分断开关s11、s22，以及12个保护断路器s5、s6、s7、s8、s9、s10、s16、s17、s18、s19、s20、s21。其中
对于每个开关都有三个保护继电器来控制它们，当故障发生时切断它们。这三个保护继电器分别是瞬时保护“m”、短延时保护“n”、长延时保护“f”。在实际的船舶运行过程中，同一时间并不是所有设备都投网运行的，以上列出来的部分表示所有在网络设备。
[0030]
将所给电网中的所有开关的保护继电器按顺序进行编号，它们的实时状态用[0,1]来代替，即开关断开为1，不动作则为0；保护继电器得电用1表示，失电用0表示。按三段式电流保护即可分析出，四个发电主开关由于已经是最上一级的保护装置，因此开关s1、s2、s3、s4只有瞬时保护(s1m、s2m、s3m、s4m)，没有短延时及长延时保护，同理s5、s6、s9、s10、s16、s19、s20、s21就没有长延时保护，s12、s14为双向联络开关没有继电保护装置，s11、s22为分断开关都没有继电保护装置，如表1所示：
[0031]
表1 保护继电器编码
[0032]
t4短路、负载线路7-8短路、发电机g1-g4过载跳闸多达14种故障情况。下面以线路故障1为列进行故障诊断分析，其他故障可以照此方式进行分析。
[0037]
对于线路负载1短路故障发生时，该支路为：g1
→
s1
→
母线板
→
s5
→
负载线路1，又因为线路负载1短路故障是定义为常规故障类型，因此此时的电路中继电器及开关的状态分析如下：
[0038]
保护继电器s5m
→
1，s5n
→
0，s1m
→
0，开关s5断开；
[0039]
保护继电器s5m
→
0，s5n
→
0，s1m
→
0，开关s1断开。
[0040]
分别将此时电网中的所有继电器及开关的状态进行记录，可以得到负载线路1短路故障时dhnn的网络记忆样本数据；如表2和表3所示：
[0041]
表2 负载线路1短路故障继电器状态
[0042][0043]
表3 负载线路1短路故障开关状态
[0044][0045]
将表2和表3的数据进行整理合并(继电器32+开关22，共54个状态)得到特征故障记忆样本形式t1：
[0046]
t1＝[0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0047]
保护装置拒动而引发的故障状态，对于保护装置拒动故障情况来说，一旦船舶电网中产生了拒动故障，电网中开关及其继电器的状态就比较复杂，这里以图3中s7发生拒动故障为例进行分析。
[0048]
按照电路的三段式电流保护，正常情况下s7m得电s7就会断开，但是由于s7故障而没有断开，即状态为0，故障电流继续存在电网中，由s6进行处理。这里分为两种情况：第一种，如果故障电流达到了s6的瞬时保护值，则s6的瞬时保护进行动作；第二种，如果故障电流没有达到其整定值，则由s6的短延时进行保护，即s6n控制s1断开。分析如下：
[0049]
s7m
→
1,sb7n
→
0,s7f
→
0,s1m
→
0,s6断开；
[0050]
s6m
→
1，s6n
→
0，s7m
→
1，s7n
→
0，s7f
→
0，s1m
→
0，s6m
→
0，s6n
→
1,s1断开；
[0051]
分别将此时电网中的所有继电器及开关的状态进行记录，可以得到负载线路1短路故障时dhnn的网络记忆样本数据；如表4和表5所示：
[0052]
表4 s7拒动故障继电器状态
[0053][0054]
表5 s7拒动故障开关状态
[0055][0056]
对数据进行整理合并(继电器32+开关22，共54个状态)得到特征故障记忆样本形式t2；
[0057]
t2＝[1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0058]
组合故障状态的情况比较复杂，如果将常规故障和保护装置拒动故障进行随机组合的话，就会产生很多种故障情况，因此为了便于分析，直接以线路负载1短路故障与s7发生拒动故障组合，该组合故障状态下，电网中的继电器及开关状态如表6和表7所示：
[0059]
表6 组合故障继电器状态
[0060][0061]
表7 组合故障开关状态
[0062][0063]
对数据进行整理合并(继电器32+开关22，共54个状态)得到特征故障记忆样本形式t3：
[0064]
t3＝[1 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0065]
将三类特征故障样本t1,t2,t3进行整理得到网络的记忆样本，如表8所示：
[0066]
表8 三类特征故障记忆样本数据表
[0067][0068]
在该dhnn网络中采用hebb学习规则进行权值矩阵确定，即按照δw
ij
＝η
·
yi(k)
·
xi(k)进行权值调整，因此可以通过调整学习率η，一般取w
ij
是神经元i到j的连接权值；
[0069]
所以此处开始进行权值调整，得到表9权值矩阵表：
[0070]
表9η＝1/54权值矩阵表
[0071][0072]
为保证异步方式工作时网络收敛，权值矩阵应为对称矩阵，由表9可知该网络满足稳定条件。
[0073]
随机输入一组常规故障的测试数据t4＝[0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
[0074]
经过该网络被吸引到t1，故诊断为常规故障。
[0075]
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。